安全技术-网络信息-面向异构网络的视频自适应关键技术研究.pdf

安全技术-网络信息-面向客户感知和运营收益的异构网络接纳控制机制的研究.pdf

安全技术-网络信息-认知异构网络中的切换机制研究.pdf

以最大化缓存收益为目标，针对部署缓存的 NOMA 异构网络下的基站用户匹配及功率分配问题，结合消息传递及 DC 规划提出了 NOMA 联合优化算法。首先将约束条件合并到目标函数中，通过计算新的优化问题中函数节点与变量节点间消息传递的边缘得到用户协同结果；然后将原优化问题变形为2个凸函数差的形式，通过DC规划对功率资源进行分配；最后迭代计算得到最终的用户协同及功率分配结果。仿真结果证明所提算法有效地提升了网络性能。

异构网络中的网络选择问题资料.pdf

研究了在毫米波（mmWave）频段运行的两层异构网络（HetNet）中的用户关联和无线回程分配。 假定宏小区层基站（BS）配备有大规模天线阵列，而小型小区BS仅具有单天线功能，并且它们依赖到宏BS的无线链路进行回程。 为了平衡吞吐量和公平性，选择对数用户速率之和作为优化问题的网络实用程序。 提出了一种基于层次原始分解和对偶分解的分布式算法。 首先，原始分解将原始问题转换为两个子问题，即无线回程带宽分配子问题和用户关联子问题。 其次，将对接收到的信号干扰加噪声比（SINR）的偏见引入到小蜂窝层中，以实现漫游的流量。 最后，当保持Karush-Kuhn-Tucker条件或Slater条件成立时，可以通过对偶分解从Lagrange对偶函数获得用户关联子问题的最优解X ∗。 在达到相同最佳性能的同时，所提出的分布式算法比穷举搜索方法收敛得更快。 仿真结果表明，随着我们增加大型天线阵列尺寸和增加用户数量，系统吞吐量得到了提高。 更改小型小区BS数量的影响微不足道。 此外，通过分布式算法实现的系统吞吐量要优于传统的基于最大SINR的用户关联策略。

比特率自适应（ABR）算法已经成为视频传输中研究的热点之一。然而，由于5G无线异构网络具有信道带宽波动大、不同网络间差异明显等特点，多终端协同的自适应视频流传输面临着巨大挑战。提出了一种基于深度强化学习的自适应视频流传输控制方法。首先，建立了视频流动态规划模型，对传输码率以及分流策略进行联合优化。由于该优化问题的求解依赖于精确的信道估计，这在信道状态动态变化的网络中很难实现。因此，将动态规划问题改进为强化学习任务，并采用A3C算法，动态决策视频码率和分流策略。最后，根据实测的网络数据进行仿真，与传统的优化方法相比，本文所提的方法较好地提高了用户QoE。

异构网络中的联合优化 该存储库包含本文的代码和实验： 联合学习是一种分布式学习范例，它具有两个与传统的分布式优化不同的关键挑战：（1）网络中每个设备的系统特性方面的显着可变性（系统异质性），以及（2）不完全相同的分布式数据跨网络（统计异质性）。 在这项工作中，我们引入一个框架FedProx，从理论上和经验上解决联邦网络中的异构性。 该存储库包含一组针对联合数据集的详细的经验评估。 我们证明FedProx比FedAvg具有更强大的收敛性。 特别是，在高度异构的环境中，FedProx展示了相对于FedAvg而言更加稳定和准确的收敛行为-将绝对测试准确度平均提高了22％。 一般准则 请注意，如果您想使用FedProx作为基准并运行我们的代码： 如果使用不同的数据集，则至少需要根据您的指标调整学习率和mu参数。 您可能希望从{0.001，0.01，0.1，0.5，1}调整mu。 没有适用于所有

多路径并行传输数据包乱序分析方法 ，陶洋，李加成，文中对异构网络环境下多径并行传输引发的数据包乱序问题进行了深入研究，分析了造成数据包乱序的相关因素，提出了一种基于端到端